共用方式為


Document Intelligence 讀取模型

重要

  • 文件智慧服務公開預覽版本可讓您搶先存取正在積極開發的功能。 根據使用者意見反應,功能、方法和流程在正式發行 (GA) 前可能有所變更。
  • 文件智慧服務用戶端程式庫的公開預覽版預設為 REST API 版本 2024-07-31-preview
  • 公開預覽版 2024-07-31-preview 目前僅適用於下列 Azure 地區。 請注意,AI Studio 中的自訂生成 (文件欄位擷取) 模型僅適用美國中北部地區:
    • 美國東部
    • 美國西部 2
    • 西歐
    • 美國中北部

此內容適用於:勾選記號 v4.0 (預覽版) | 舊版:blue-checkmark v3.1 (GA) blue-checkmark v3.0 (GA)

此內容適用於:勾選記號 v4.0 (預覽版) | 舊版:blue-checkmark v3.1 (GA) blue-checkmark v3.0 (GA)

注意

如需從標籤、街道符號和海報等外部影像擷取文字,請使用 Azure AI 影像分析 v4.0 讀取功能,此功能已使用效能增強同步 API 針對一般非文件影像進行最佳化,讓您更輕鬆地在使用者體驗案例中內嵌 OCR。

Document Intelligence 的讀取光學字元辨識 (OCR) 模型會以高於 Azure AI 視覺讀取的解析度執行,並擷取 PDF 文件和掃描影像中的列印和手寫文字。 其同樣也包含擷取 Microsoft Word、Excel、PowerPoint 及 HTML 文件中文字的支援。 它會偵測段落、文字行、字組、位置和語言。 讀取模型是其他 Document Intelligence 預建模型的基礎 OCR 引擎,例如版面配置、一般文件、發票、收據、身分識別 (ID) 文件、醫療保險卡、W2 (聯邦報稅表) 以及自訂模型。

什麼是光學字元辨識?

文件的光學字元辨識 (OCR) 已針對多種檔案格式及全域語言中的大型文字密集文件進行最佳化。 它包含更高解析度的文件影像掃描等功能,可以更妥善地處理較小且密集的文字、段落偵測,以及可填寫的表單管理。 OCR 功能也包括單一字元方塊等進階案例,還能精確擷取發票、收據及其他預先建置案例中常見的索引鍵欄位。

開發選項 (v4)

文件智慧服務 v4.0 (2024-07-31-preview) 支援以下工具、應用程式和程式庫:

功能 資源 Model ID
讀取 OCR 模型 文件智慧服務工作室
REST API
C# SDK
Python SDK
Java SDK
JavaScript SDK
prebuilt-read

輸入需求 (v4)

  • 支援的檔案格式:

    模型 PDF 影像:
    JPEG/JPGPNGBMPTIFFHEIF
    Microsoft Office:
    Word (DOCX)、Excel (XLSX)、PowerPoint (PPTX)、HTML
    參閱
    版面配置 ✔ (2024-07-31-preview、2024-02-29-preview、2023-10-31-preview)
    一般文件
    預建
    自訂擷取
    自訂分類 ✔ (2024-07-31-preview、2024-02-29-preview)
  • 若要得到最佳結果,請為每個文件提供一張清晰的照片或高畫質的掃描檔案。

  • 若使用 PDF 和 TIFF,最多可處理 2,000 頁 (若使用免費層訂閱,則只會處理前兩頁)。

  • 付費 (S0) 層分析文件的檔案大小為 500 MB,免費 (F0) 層則為 4 MB。

  • 影像維度必須介於 50 像素 x 50 像素和 10,000 像素 x 10,000 像素之間。

  • 如果您的 PDF 有密碼鎖定,則必須先移除鎖定才能提交。

  • 針對 1024 x 768 像素影像的擷取文字高度下限為 12 像素。 此維度在 150 點/英吋 (DPI) 時大約相當於 8 點文字。

  • 針對自訂模型定型,自訂範本模型的定型資料頁數上限為 500,而自訂神經網路模型的上限則為 50,000。

    • 對於自訂擷取模型定型,範本模型的定型資料大小總計為 50 MB,而神經模型的大小總計則為 1 GB。

    • 針對自訂分類模型定型,定型資料的大小總計為 1 GB (上限為 10,000 頁)。 對於 2024-07-31-preview 和更新版本,定型資料的大小總計為 2 GB,上限為 10,000 頁。

開始使用讀取模型 (v4)

請嘗試使用 Document Intelligence Studio 來擷取表單和文件中的文字。 您需要以下資產:

注意

Document Intelligence Studio 目前不支援 Microsoft Word、Excel、PowerPoint 和 HTML 檔案格式。

使用 Document Intelligence Studio (英文) 處理的文件範例

在 Document Intelligence Studio 中讀取處理之螢幕擷取畫面。

  1. Document Intelligence Studio 首頁上,選取 [讀取]

  2. 您可以分析範例文件,或上傳您自己的檔案。

  3. 選取 [執行分析] 按鈕,如有必要,設定 [分析選項]

    文件智慧服務工作室中 [執行分析] 和 [分析選項] 按鈕的螢幕擷取畫面。

支援的語言與地區設定 (v4)

如需支援語言的完整清單,請參閱我們的語言支援 - 文件分析模型頁面。

資料擷取 (v4)

注意

v4.0 支援Microsoft Word 和 HTML 檔案。 相較於 PDF 和影像,不支援下列功能:

  • 每個頁面物件沒有角度、寬度/高度和單位。
  • 針對偵測到的每個物件,沒有週框多邊形或週框區域。
  • 不支援頁面範圍 (pages) 作為參數。
  • 沒有 lines 物件。

可搜尋的 PDF

可搜尋 PDF 功能可讓您將類比 PDF (例如掃描影像 PDF 檔案) 轉換為具有內嵌文字的 PDF。 內嵌文字可在 PDF 擷取的內容中啟用深層文字搜尋,方法是將偵測到的文字實體重疊在影像檔案上。

重要

  • 目前,可搜尋 PDF 功能僅支援讀取 OCR 模型 prebuilt-read。 使用此特徵時,請將 modelId 指定為 prebuilt-read,因為其他模型類型會傳回這個預覽版本的錯誤。
  • 可搜尋 PDF 隨附於 2024-07-31-preview prebuilt-read模型,而且產生可搜尋 PDF 輸出不需要額外成本。
    • 可搜尋的 PDF 目前僅支援 PDF 檔案做為輸入。 稍後將支援其他文件類型,例如影像檔案。

使用可搜尋的 PDF

若要使用可搜尋 PDF,請使用 Analyze 作業提出 POST 要求,並將輸出格式指定為 pdf


     POST /documentModels/prebuilt-read:analyze?output=pdf
     {...}
     202

輪詢 Analyze 作業完成。 作業完成之後,請提出 GET 要求來擷取 PDF 格式的 Analyze 作業結果。

成功完成時,可以擷取 PDF 並下載為 application/pdf。 此作業允許直接下載 PDF 的內嵌文字格式,而不是 Base64 編碼 JSON。


     // Monitor the operation until completion.
     GET /documentModels/prebuilt-read/analyzeResults/{resultId}
     200
     {...}

     // Upon successful completion, retrieve the PDF as application/pdf.
     GET /documentModels/prebuilt-read/analyzeResults/{resultId}/pdf
     200 OK
     Content-Type: application/pdf

Pages 參數

頁面集合是文件內的頁面清單。 每個頁面都會在文件內循序表示,並包含方向角度,指出頁面是否旋轉,以及寬度和高度 (以像素表示維度)。 會計算模型輸出中的頁面單位,如下所示:

檔案格式 計算的頁面單位 總頁數
影像 (JPEG/JPG、PNG、BMP、HEIF) 每個影像 = 1 個頁面單位 影像總計
PDF PDF 每頁 = 1 個頁面單位 PDF 總頁數
TIFF TIFF = 1 個頁面單位中的每個映像 TIFF 中的影像總數
Word (DOCX) 最多 3,000 個字元 = 1 個頁面單位,不支援內嵌或連結的影像 總頁數 (每頁最多 3,000 個字元)
Excel (XLSX) 每個工作表 = 1 個頁面單位,不支援內嵌或連結的影像 工作表總計
PowerPoint (PPTX) 每張投影片 = 1 個頁面單位,不支援內嵌或連結的影像 投影片總計
HTML 最多 3,000 個字元 = 1 個頁面單位,不支援內嵌或連結的影像 總頁數 (每頁最多 3,000 個字元)
    # Analyze pages.
    for page in result.pages:
        print(f"----Analyzing document from page #{page.page_number}----")
        print(f"Page has width: {page.width} and height: {page.height}, measured with unit: {page.unit}")

使用頁面進行文字擷取

若為大型的多頁 PDF 文件,請使用 pages 查詢參數來表示文字擷取的特定頁碼或頁面範圍。

擷取段落

文件智慧服務中的讀取 OCR 模型會擷取 paragraphs 集合中所有已識別的文字區塊,以做為 analyzeResults 底下的最上層物件。 此集合中的每個項目都代表一個文字區塊,並包含作為 content 的擷取文字和週框 polygon 座標。 span 資訊會指向包含文件全文檢索的最上層 content 屬性的文字片段。

    "paragraphs": [
        {
            "spans": [],
            "boundingRegions": [],
            "content": "While healthcare is still in the early stages of its Al journey, we are seeing pharmaceutical and other life sciences organizations making major investments in Al and related technologies.\" TOM LAWRY | National Director for Al, Health and Life Sciences | Microsoft"
        }
    ]

文字、行和文字擷取

讀取 OCR 模型會將列印和手寫樣式的文字擷取為 lineswords。 模型會輸出所擷取字組的週框 polygon 座標和 confidence。 若也偵測到指向相關文字的範圍,styles 集合便會包含任何手寫樣式的文字行。 此功能適用於支援的手寫語言

針對 Microsoft Word、Excel、PowerPoint 和 HTML,文件智慧服務讀取模型 v3.1 和更新版本會依原狀擷取所有內嵌文字。 文字會擷取為字組和段落。 不支援內嵌的影像。

    # Analyze lines.
    if page.lines:
        for line_idx, line in enumerate(page.lines):
            words = get_words(page, line)
            print(
                f"...Line # {line_idx} has {len(words)} words and text '{line.content}' within bounding polygon '{line.polygon}'"
            )

            # Analyze words.
            for word in words:
                print(f"......Word '{word.content}' has a confidence of {word.confidence}")

手寫樣式擷取

回應會包含辨別每個文字行是否為手寫樣式的分類,以及信賴度分數。 如需詳細資訊,請參閱手寫語言支援。 下列範例顯示 JSON 程式碼片段範例。

    "styles": [
    {
        "confidence": 0.95,
        "spans": [
        {
            "offset": 509,
            "length": 24
        }
        "isHandwritten": true
        ]
    }

如果您已啟用字型/樣式附加元件功能,也會取得字型/樣式結果作為 styles 物件的一部分。

後續步驟 v4.0

完成 Document Intelligence 快速入門:

探索 REST API:

在 GitHub 上尋找更多範例:

此內容適用於:勾選記號 v3.1 (GA) | 最新版本:purple-checkmark v4.0 (預覽版) | 舊版:blue-checkmark v3.0

此內容適用於:勾選記號 v3.0 (GA) | 最新版本:purple-checkmark v4.0 (預覽版) purple-checkmark v3.1

注意

如需從標籤、街道符號和海報等外部影像擷取文字,請使用 Azure AI 影像分析 v4.0 讀取功能,此功能已使用效能增強同步 API 針對一般非文件影像進行最佳化,讓您更輕鬆地在使用者體驗案例中內嵌 OCR。

Document Intelligence 的讀取光學字元辨識 (OCR) 模型會以高於 Azure AI 視覺讀取的解析度執行,並擷取 PDF 文件和掃描影像中的列印和手寫文字。 其同樣也包含擷取 Microsoft Word、Excel、PowerPoint 及 HTML 文件中文字的支援。 它會偵測段落、文字行、字組、位置和語言。 讀取模型是其他 Document Intelligence 預建模型的基礎 OCR 引擎,例如版面配置、一般文件、發票、收據、身分識別 (ID) 文件、醫療保險卡、W2 (聯邦報稅表) 以及自訂模型。

什麼是文件的 OCR?

文件的光學字元辨識 (OCR) 已針對多種檔案格式及全域語言中的大型文字密集文件進行最佳化。 它包含更高解析度的文件影像掃描等功能,可以更妥善地處理較小且密集的文字、段落偵測,以及可填寫的表單管理。 OCR 功能也包括單一字元方塊等進階案例,還能精確擷取發票、收據及其他預先建置案例中常見的索引鍵欄位。

開發選項

文件智慧服務 v3.1 支援下列工具、應用程式和程式庫:

功能 資源 Model ID
讀取 OCR 模型 文件智慧服務工作室
REST API
C# SDK
Python SDK
Java SDK
JavaScript SDK
prebuilt-read

文件智慧服務 v3.0 支援下列工具、應用程式和程式庫:

功能 資源 Model ID
讀取 OCR 模型 文件智慧服務工作室
REST API
C# SDK
Python SDK
Java SDK
JavaScript SDK
prebuilt-read

輸入需求

  • 支援的檔案格式:

    模型 PDF 影像:
    JPEG/JPGPNGBMPTIFFHEIF
    Microsoft Office:
    Word (DOCX)、Excel (XLSX)、PowerPoint (PPTX)、HTML
    參閱
    版面配置 ✔ (2024-07-31-preview、2024-02-29-preview、2023-10-31-preview)
    一般文件
    預建
    自訂擷取
    自訂分類 ✔ (2024-07-31-preview、2024-02-29-preview)
  • 若要得到最佳結果,請為每個文件提供一張清晰的照片或高畫質的掃描檔案。

  • 若使用 PDF 和 TIFF,最多可處理 2,000 頁 (若使用免費層訂閱,則只會處理前兩頁)。

  • 付費 (S0) 層分析文件的檔案大小為 500 MB,免費 (F0) 層則為 4 MB。

  • 影像維度必須介於 50 像素 x 50 像素和 10,000 像素 x 10,000 像素之間。

  • 如果您的 PDF 有密碼鎖定,則必須先移除鎖定才能提交。

  • 針對 1024 x 768 像素影像的擷取文字高度下限為 12 像素。 此維度在 150 點/英吋 (DPI) 時大約相當於 8 點文字。

  • 針對自訂模型定型,自訂範本模型的定型資料頁數上限為 500,而自訂神經網路模型的上限則為 50,000。

    • 對於自訂擷取模型定型,範本模型的定型資料大小總計為 50 MB,而神經模型的大小總計則為 1 GB。

    • 針對自訂分類模型定型,定型資料的大小總計為 1 GB (上限為 10,000 頁)。 對於 2024-07-31-preview 和更新版本,定型資料的大小總計為 2 GB,最多 10,000 頁。

開始使用讀取模型

請嘗試使用 Document Intelligence Studio 來擷取表單和文件中的文字。 您需要以下資產:

Azure 入口網站中金鑰與端點位置的螢幕擷取畫面。

注意

Document Intelligence Studio 目前不支援 Microsoft Word、Excel、PowerPoint 和 HTML 檔案格式。

使用 Document Intelligence Studio (英文) 處理的文件範例

在 Document Intelligence Studio 中讀取處理之螢幕擷取畫面。

  1. Document Intelligence Studio 首頁上,選取 [讀取]

  2. 您可以分析範例文件,或上傳您自己的檔案。

  3. 選取 [執行分析] 按鈕,如有必要,設定 [分析選項]

    文件智慧服務工作室中 [執行分析] 和 [分析選項] 按鈕的螢幕擷取畫面。

支援的語言和地區設定

如需支援語言的完整清單,請參閱我們的語言支援 - 文件分析模型頁面。

資料擷取

注意

v3.1 和更新版本中支援 Microsoft Word 和 HTML 檔案。 相較於 PDF 和影像,不支援下列功能:

  • 每個頁面物件沒有角度、寬度/高度和單位。
  • 針對偵測到的每個物件,沒有週框多邊形或週框區域。
  • 不支援頁面範圍 (pages) 作為參數。
  • 沒有 lines 物件。

可搜尋 PDF

可搜尋 PDF 功能可讓您將類比 PDF (例如掃描影像 PDF 檔案) 轉換為具有內嵌文字的 PDF。 內嵌文字可在 PDF 擷取的內容中啟用深層文字搜尋,方法是將偵測到的文字實體重疊在影像檔案上。

重要

  • 目前,可搜尋 PDF 功能僅支援讀取 OCR 模型 prebuilt-read。 使用此特徵時,請將 modelId 指定為 prebuilt-read,因為其他模型類型會傳回這個預覽版本的錯誤。
  • 可搜尋 PDF 隨附於 2024-07-31-preview prebuilt-read模型,而且產生可搜尋 PDF 輸出不需要額外成本。
    • 可搜尋的 PDF 目前僅支援 PDF 檔案做為輸入。 稍後將支援其他文件類型,例如影像檔案。

使用可搜尋 PDF

若要使用可搜尋 PDF,請使用 Analyze 作業提出 POST 要求,並將輸出格式指定為 pdf


    POST /documentModels/prebuilt-read:analyze?output=pdf
    {...}
    202

輪詢 Analyze 作業完成。 作業完成之後,請提出 GET 要求來擷取 PDF 格式的 Analyze 作業結果。

成功完成時,可以擷取 PDF 並下載為 application/pdf。 此作業允許直接下載 PDF 的內嵌文字格式,而不是 Base64 編碼 JSON。


    // Monitor the operation until completion.
    GET /documentModels/prebuilt-read/analyzeResults/{resultId}
    200
    {...}

    // Upon successful completion, retrieve the PDF as application/pdf.
    GET /documentModels/prebuilt-read/analyzeResults/{resultId}/pdf
    200 OK
    Content-Type: application/pdf

頁面

頁面集合是文件內的頁面清單。 每個頁面都會在文件內循序表示,並包含方向角度,指出頁面是否旋轉,以及寬度和高度 (以像素表示維度)。 會計算模型輸出中的頁面單位,如下所示:

檔案格式 計算的頁面單位 總頁數
影像 (JPEG/JPG、PNG、BMP、HEIF) 每個影像 = 1 個頁面單位 影像總計
PDF PDF 每頁 = 1 個頁面單位 PDF 總頁數
TIFF TIFF = 1 個頁面單位中的每個映像 TIFF 中的影像總數
Word (DOCX) 最多 3,000 個字元 = 1 個頁面單位,不支援內嵌或連結的影像 總頁數 (每頁最多 3,000 個字元)
Excel (XLSX) 每個工作表 = 1 個頁面單位,不支援內嵌或連結的影像 工作表總計
PowerPoint (PPTX) 每張投影片 = 1 個頁面單位,不支援內嵌或連結的影像 投影片總計
HTML 最多 3,000 個字元 = 1 個頁面單位,不支援內嵌或連結的影像 總頁數 (每頁最多 3,000 個字元)
    "pages": [
        {
            "pageNumber": 1,
            "angle": 0,
            "width": 915,
            "height": 1190,
            "unit": "pixel",
            "words": [],
            "lines": [],
            "spans": []
        }
    ]
    # Analyze pages.
    for page in result.pages:
        print(f"----Analyzing document from page #{page.page_number}----")
        print(
            f"Page has width: {page.width} and height: {page.height}, measured with unit: {page.unit}"
        )

選取頁面進行文字擷取

若為大型的多頁 PDF 文件,請使用 pages 查詢參數來表示文字擷取的特定頁碼或頁面範圍。

段落

文件智慧服務中的讀取 OCR 模型會擷取 paragraphs 集合中所有已識別的文字區塊,以做為 analyzeResults 底下的最上層物件。 此集合中的每個項目都代表一個文字區塊,並包含作為 content 的擷取文字和週框 polygon 座標。 span 資訊會指向包含文件全文檢索的最上層 content 屬性的文字片段。

    "paragraphs": [
        {
            "spans": [],
            "boundingRegions": [],
            "content": "While healthcare is still in the early stages of its Al journey, we are seeing pharmaceutical and other life sciences organizations making major investments in Al and related technologies.\" TOM LAWRY | National Director for Al, Health and Life Sciences | Microsoft"
        }
    ]

文字、行和字組

讀取 OCR 模型會將列印和手寫樣式的文字擷取為 lineswords。 模型會輸出所擷取字組的週框 polygon 座標和 confidence。 若也偵測到指向相關文字的範圍,styles 集合便會包含任何手寫樣式的文字行。 此功能適用於支援的手寫語言

針對 Microsoft Word、Excel、PowerPoint 和 HTML,文件智慧服務讀取模型 v3.1 和更新版本會依原狀擷取所有內嵌文字。 文字會擷取為字組和段落。 不支援內嵌的影像。


    "words": [
        {
            "content": "While",
            "polygon": [],
            "confidence": 0.997,
            "span": {}
        },
    ],
    "lines": [
        {
            "content": "While healthcare is still in the early stages of its Al journey, we",
            "polygon": [],
            "spans": [],
        }
    ]
    # Analyze lines.
    for line_idx, line in enumerate(page.lines):
        words = line.get_words()
        print(
            f"...Line # {line_idx} has {len(words)} words and text '{line.content}' within bounding polygon '{format_polygon(line.polygon)}'"
        )

        # Analyze words.
        for word in words:
            print(
                f"......Word '{word.content}' has a confidence of {word.confidence}"
            )

手寫樣式的文字行

回應會包含辨別每個文字行是否為手寫樣式的分類,以及信賴度分數。 如需詳細資訊,請參閱手寫語言支援。 下列範例顯示 JSON 程式碼片段範例。

    "styles": [
    {
        "confidence": 0.95,
        "spans": [
        {
            "offset": 509,
            "length": 24
        }
        "isHandwritten": true
        ]
    }

如果您已啟用字型/樣式附加元件功能,也會取得字型/樣式結果作為 styles 物件的一部分。

下一步

完成 Document Intelligence 快速入門:

探索 REST API:

在 GitHub 上尋找更多範例: